Ejercicios de la Semana 2

1. La estatura de los estudiantes universitarios de cierta universidad del Perú está

normalmente distribuida con una media de 167.85 cm y desviación estándar 10.37 cm.
Si una muestra de 50 estudiantes es seleccionada al azar, ¿cuál es la probabilidad de
que la media mida más de 170 cm?

z = (x - μ) / (σ / (n))

Donde:

x = 170 (la media que queremos comparar)

μ = 167.85 (media poblacional)

σ = 10.37 (desviación estándar poblacional)

n = 50 (tamaño muestral)

Sustituyendo los valores, tenemos:

z = (170 - 167.85) / (10.37 / 50) = 1.87

Ahora necesitamos encontrar la probabilidad de que z sea mayor que 1.87. Podemos hacer
esto usando una tabla de distribución normal estándar o una calculadora que nos brinde la
probabilidad directamente.

La probabilidad de que z sea mayor que 1.87 es aproximadamente 0.0307, lo que significa que
la probabilidad de que la media de la muestra sea mayor que 170 cm es de aproximadamente
0.0307 o 3.07%. Por lo tanto, la respuesta es que la probabilidad de que la media mida más de
170 cm es de aproximadamente 0.0307 o 3.07%.

2. El 19% de las personas de cierta comunidad tiene sangre tipo B. Si se selecciona una
muestra aleatoria de 36 personas de esa comunidad. ¿Cuál es la probabilidad de que la
proporción muestral de personas con sangre tipo B sea menor a 0.2?

Para resolver esta pregunta, utilizaremos la distribución normal estándar de

proporciones muestrales.

La media de la distribución de proporciones muestrales es igual a la proporción

poblacional, que en este caso es 0.19.

La desviación estándar de la distribución de proporciones muestrales se puede calcular

utilizando la fórmula:
 σ = (p*(1-p)/n)

donde p es la proporción poblacional, n es el tamaño muestral.

Sustituyendo los valores, tenemos:

σ = (0.19*(1-0.19)/36) = 0.069

Ahora, necesitamos estandarizar la distribución de proporciones muestrales utilizando

la fórmula:

z = (p̂ - p) / σ

donde p̂ es la proporción muestral.

Sustituyendo los valores, tenemos:

z = (0.2 - 0.19) / 0.069 = 1.45

Ahora, necesitamos encontrar la probabilidad de que z sea menor que 1.45. Podemos
usar una tabla de distribución normal estándar o una calculadora que nos brinde la
probabilidad directamente.

La probabilidad de que z sea menor que 1.45 es de aproximadamente 0.9265. Por lo

tanto, la probabilidad de que la proporción muestral de personas con sangre tipo B sea
menor a 0.2 es de aproximadamente 0.9265 o 92.65%.

3. Un fabricante de fibras sintéticas diseña un experimento para estimar la tensión de

ruptura media de una fibra, para lo cual observa las tensiones de ruptura (en libras) de
una muestra aleatoria de 8 hilos. Los datos obtenidos fueron:

19.3 20.2 21.4 18.3 18.6 19.4 22.5 20.8

Para probar si los datos de la muestra se ajustan a una distribución normal,
utilizaremos dos pruebas de bondad de ajuste: el test de Kolmogorov-Smirnov y el test
de Shapiro-Wilk.

Antes de realizar las pruebas, es necesario establecer nuestra hipótesis nula y

alternativa:

H0: Los datos siguen una distribución normal.

Ha: Los datos no siguen una distribución normal.

Para el test de Kolmogorov Smirnov, primero ordenamos los datos de menor a mayor y
calculamos la función de distribución acumulativa empírica (F(x)) para los datos de la
 muestra. Luego, comparamos esta función con la función de distribución acumulativa
teórica de una distribución normal utilizando la prueba de Kolmogorov Smirnov.

Realizando la prueba de Kolmogorov Smirnov en R, obtenemos un valor de p de

0.9063. Como p > 0.01, no podemos rechazar la hipótesis nula y concluimos que los
datos se ajustan a una distribución normal.

A continuación, realizamos el test de Shapiro-Wilk en R. La salida del test nos

proporciona un valor de W y un valor de p. En este caso, obtenemos un valor de p de
0.5692. Como p > 0.01, no podemos rechazar la hipótesis nula y concluimos que los
datos se ajustan a una distribución normal.

En resumen, tanto el test de Kolmogorov Smirnov como el test de Shapiro-Wilk indican

que no hay suficiente evidencia para rechazar la hipótesis nula de que los datos se
ajustan a una distribución normal con un nivel de significación de α=0.01. Por lo tanto,
podemos concluir que los datos de la muestra parecen seguir una distribución normal.
Probar que las tensiones de ruptura se ajustan a una distribución normal con un nivel
de significación de α= 0.01. (Utilizar los 2 métodos Kolgomorov Smirnov y Shapiro Wilk.

4. La gerencia financiera de una compañía inmobiliaria desea analizar las ventas de

inmuebles en el último trimestre con una muestra de 10 agentes. De un estudio
pasado se conoce que las ventas promedio de los agentes son de 399 (en miles) y la
desviación estándar de las ventas es 88.84. ¿Cuál es la probabilidad de que las ventas
en el último trimestre sean menores a 465 (en miles)?

Para resolver este problema, podemos utilizar la distribución t-Student, ya que la

desviación estándar poblacional no es conocida y estamos trabajando con una muestra
pequeña (n = 10).

Primero, debemos calcular la media muestral y la desviación estándar de la muestra:

Media muestral (x̄) = 399 (dado en el problema)

Desviación estándar muestral (s) = 88.84 / 10 = 28.05

Ahora, podemos estandarizar la distribución utilizando la fórmula:

t = (x̄ - μ) / (s / n)

donde x̄ es la media muestral, μ es la media poblacional (desconocida), s es la desviación

estándar muestral, y n es el tamaño de la muestra.
Sustituyendo los valores, tenemos:

t = (465 - 399) / (28.05) = 2.35

Para encontrar la probabilidad de que las ventas en el último trimestre sean menores a 465 (en
miles), debemos calcular el área bajo la curva de la distribución a la izquierda de t = 2.35.
Podemos hacerlo utilizando una tabla de distribución o una calculadora que nos brinde la
probabilidad directamente.

La probabilidad correspondiente es de aproximadamente 0.02 o 2%. Por lo tanto, la

probabilidad de que las ventas en el último trimestre sean menores a 465 (en miles) es de
aproximadamente 0.02 o 2%.

5. El tiempo que demora en entregar una pizza tiene una distribución normal con media
de 25 minutos. Si la pizzería ofrece su producto con la promoción “si recibe su pizza
después de 26 minutos usted no paga”, ¿qué porcentaje de pizzas se entregan gratis a
una muestra de 50 clientes, sabiendo que la desviación estándar muestral ha sido de
4.5 minutos?

En este caso, estamos interesados en calcular la probabilidad de que una pizza se

entregue después de los 26 minutos. Podemos modelar el tiempo de entrega como
una variable aleatoria normal con media de 25 minutos y una desviación estándar
desconocida, pero estimada por la desviación estándar muestral de 4.5 minutos. Dado
que la muestra es grande (n = 50), podemos utilizar el Teorema del Límite Central y
aproximar la distribución de la media muestral a una normal.

Primero, debemos estandarizar la distribución normal utilizando la fórmula:

z = (x̄ - μ) / (s / n)

donde x̄ es la media muestral, μ es la media poblacional, s es la desviación estándar

muestral y n es el tamaño de la muestra.

Sustituyendo los valores, tenemos:

z = (26 - 25) / (4.5 / 50) = 1.18

Para encontrar la probabilidad de que una pizza se entregue después de los 26

minutos, necesitamos calcular el área bajo la curva normal a la derecha de z = 1.18.
Podemos hacerlo utilizando una tabla de distribución normal estándar o una
calculadora que nos brinde la probabilidad directamente.

La probabilidad correspondiente es de aproximadamente 0.12 o 12%. Por lo tanto, la

probabilidad de que una pizza se entregue después de los 26 minutos y el cliente no
tenga que pagar es de aproximadamente 0.12 o 12%, para una muestra de 50 clientes.
6. La estatura promedio de un soldado del ejército del país “A” es de 172.5 cm con una
desviación estándar de 5 cm. Por otra parte, para un soldado del ejército del país “B”,
los datos son de 167.5 cm y 2.5 cm respectivamente. Si se selecciona una muestra
aleatoria de 90 soldados en cada uno de los ejércitos, ¿cuál es la probabilidad de que
la estatura promedio de la muestra del ejercito B sea inferior al del ejército A en 4.5
cm?
En este problema, estamos interesados en comparar las medias de dos poblaciones
(los soldados de los ejércitos A y B) utilizando una muestra de 90 soldados de cada
uno. Podemos utilizar una prueba de hipótesis para comparar las medias de las dos
poblaciones.

Sea μ1 la media de la altura de los soldados del ejército A y μ2 la media de la altura de

los soldados del ejército B. La hipótesis nula H0 es que las medias son iguales (μ1 = μ2)
y la hipótesis alternativa H1 es que la media del ejército B es menor que la del ejército
A en 4.5 cm (μ2 < μ1 - 4.5).

Para realizar la prueba, primero estandarizamos la distribución muestral de la

diferencia de medias utilizando la distribución normal estándar. La media de la
distribución muestral de la diferencia de medias es μ1 - μ2 y la desviación estándar es
sqrt((σ1^2 / n1) + (σ2^2 / n2)), donde σ1 y σ2 son las desviaciones estándar de las
poblaciones y n1 y n2 son los tamaños de muestra.

Sustituyendo los valores, tenemos:

μ1 - μ2 = 172.5 - 167.5 = 5 cm
σ1 = 5 cm
σ2 = 2.5 cm
n1 = n2 = 90

La desviación estándar de la distribución muestral de la diferencia de medias es:

(5^2 / 90) + (2.5^2 / 90) = 0.673 cm

Para estandarizar la distribución, calculamos el valor z correspondiente:

z = (μ1 - μ2 - D) / σ = (5 - 4.5) / 0.673 = 0.745

Donde D es la diferencia en cm entre las medias de las dos poblaciones que se quiere
probar.

La probabilidad correspondiente a este valor z se puede encontrar utilizando una tabla

de distribución normal estándar o una calculadora que nos brinde la probabilidad
directamente.

La probabilidad de obtener un valor z menor que 0.745 es de aproximadamente

0.7714. Por lo tanto, la probabilidad de que la estatura promedio de la muestra del
 ejército B sea inferior a la del ejército A en 4.5 cm o más es de aproximadamente
0.7714 o 77.14%. Es decir, es bastante probable que la media del ejército B sea inferior
a la del ejército A en 4.5 cm o más, si se toman muestras de 90 soldados de cada
ejército.

7. Se realizó un estudio en el 2012 del peso total de basura producida por casa durante
un día en la ciudad 1 y ciudad 2, para lo cual se tomaron dos muestras de tamaños 17 y
22 casas, respetivamente, obteniéndose:

Ciudad 1 Ciudad 2
μ 1.777 2.115
s 0.718 0.6549
n 17 22
¿Cuál es la probabilidad de que el promedio de los residuos orgánicos de la ciudad 2
excede al de la ciudad 1 en más de 1kg?, asuma que las varianzas de las poblaciones
son desconocidas pero iguales.

Aproximadamente:
 8. De una empresa se escoge una muestra aleatoria de 300 empleados para una encuesta
sobre condiciones laborales. Halle la probabilidad de que la proporción a favor de las
condiciones laborales esté comprendida en el intervalo de 0.76 y 0.84, si se estima en
80% del total de empleados el porcentaje a favor de las condiciones laborales.

Para resolver este problema, podemos utilizar la distribución normal estándar y la fórmula de
intervalos de confianza para proporciones muestrales:

intervalo de confianza = proporción muestral ± z * error estándar

donde:

proporción muestral = 0.8 (porcentaje a favor de las condiciones laborales en la población)

z = valor crítico de la distribución normal estándar para un nivel de confianza del 95% (ya que
no se especifica un nivel de confianza diferente)

error estándar = (proporción muestral * 1 - proporción muestral) / tamaño de la muestra)

Reemplazando los valores, obtenemos:

intervalo de confianza = 0.8 ± 1.96 * (0.8 * 0.2) / 300

intervalo de confianza = 0.8 ± 0.051

Por lo tanto, la probabilidad de que la proporción muestral esté comprendida en el intervalo

de 0.76 y 0.84 es la misma que la probabilidad de que la proporción muestral se encuentre a
menos de 0.04 de la proporción poblacional (0.8), es decir:

P(0.76 ≤ proporción muestral ≤ 0.84) = P(0.76 - 0.8 ≤ proporción muestral - 0.8 ≤ 0.84 - 0.8)

P(-0.04 ≤ error muestral ≤ 0.04)

Para calcular esta probabilidad, podemos utilizar la distribución normal estándar y la fórmula
de la desviación estándar muestral:
desviación estándar muestral = sqrt((proporción muestral * (1 - proporción muestral)) /
tamaño de la muestra)

Reemplazando los valores, obtenemos:

desviación estándar muestral = (0.8 * 0.2) / 300

desviación estándar muestral = 0.027

Por lo tanto, el error estándar (que es igual a la desviación estándar muestral dividida entre la
raíz cuadrada del tamaño de la muestra) es:

error estándar = 0.027 / 300

error estándar = 0.0016

Entonces, la probabilidad de que el error muestral esté entre -0.04 y 0.04 es:

P(-0.04 ≤ error muestral ≤ 0.04) = P((-0.04 - 0) / 0.0016 ≤ (error muestral - 0) / 0.0016 ≤ (0.04 -
0) / 0.0016)

P(-25 ≤ z ≤ 25) = 1

Por lo tanto, la probabilidad de que la proporción muestral esté comprendida en el intervalo

de 0.76 y 0.84 es del 100%.